WEBVTT 00:00.450 --> 00:05.400 Halo dan selamat datang di jalur ini ke Torro sekarang kita akan membuat 00:05.400 --> 00:11.040 fungsi maju yang akan meneruskan menyebarkan sinyal melalui semua otak dari awal dengan gambar input hingga 00:11.130 --> 00:16.860 output yang akan berisi nilai-nilai kunci untuk aktor dan de-value yaitu nilai yang diambil oleh fungsi 00:17.040 --> 00:17.950 untuk kritik. 00:18.240 --> 00:23.820 Jadi itu akan sangat mirip dengan apa yang kami lakukan untuk Dume tetapi kali ini sesuatu akan berubah. 00:23.880 --> 00:25.550 Mengubah akan mengubah itu. 00:25.560 --> 00:27.510 Sekarang kita punya ilustrasi di otak. 00:27.510 --> 00:32.470 Jadi kita semua harus melakukan sesuatu yang lebih untuk menyebarkan sinyal dan berhati-hati dengan itu. 00:32.850 --> 00:38.280 Dan hal lain yang kurang penting tetapi perubahan yang dibandingkan dengan sebelumnya adalah 00:38.280 --> 00:44.220 bahwa kita tidak akan menggunakan fungsi aktivasi nyata seperti yang Anda tahu fungsi aktivasi 00:44.220 --> 00:48.880 nonlinear tetapi kita akan menggunakan toilet yang agak canggih fungsi. 00:48.980 --> 00:51.390 Anda akan melihat bahwa di masa lalu kita berbicara tentang mentasi. 00:51.780 --> 00:55.970 Jadi mari kita lakukan ini, mari kita buat fungsi ini kita mulai dengan kematian. 00:56.040 --> 00:59.190 Ini sebenarnya fungsi terakhir dari kelas yang dieksekusi ini. 00:59.280 --> 01:06.900 Jadi kita akan menyebutnya maju seperti Einstein dan fungsi keempat ini akan mengambil sendiri objek karena 01:06.900 --> 01:09.930 kita akan menggunakan objek dan input. 01:10.170 --> 01:13.520 Sangat penting untuk memahami apa yang akan menjadi input ini. 01:13.590 --> 01:19.170 Ini tidak hanya akan menjadi gambar input input ini juga akan berisi node tersembunyi dan 01:19.170 --> 01:20.980 node sel yang sama. 01:21.090 --> 01:25.120 Jadi itu sebabnya saya ingin menyoroti bahwa beberapa hal akan berubah sekarang. 01:25.180 --> 01:30.820 Pada dasarnya kami mempertimbangkan fungsi penerusan Internet dan sel node dari daftar. 01:31.200 --> 01:38.900 Dan berbicara tentang mereka sekarang apa yang akan kita lakukan adalah memisahkan kedua masukan dari argumen ini dalam mengedepankan fungsi 01:38.900 --> 01:41.540 dan bagaimana kita dapat memisahkan mereka. 01:41.700 --> 01:46.160 Yah kita bisa mengingat Voivode baru yang akan menjadi input gambar. 01:46.230 --> 01:55.620 Jadi itulah gambar input yang dirancang dan kami memisahkannya dengan menjatuhkan H x dan C X yang merupakan kuil 01:55.620 --> 01:59.090 negara tersembunyi dan negara sel di Coliseum. 01:59.370 --> 02:04.470 Jadi H x negara bagian lain dan C X adalah negara bagian Selatan. 02:04.540 --> 02:09.580 Baiklah dan itu akan sama dengan input yang menjadi argumen di sini. 02:09.580 --> 02:14.950 Jadi sekarang kita membuat pemisahan itu dan oleh karena itu kita dapat mulai menyebarkan 02:15.220 --> 02:21.400 sinyal ke seluruh otak dan untuk itu kita akan mendapatkan lapisan yang berbeda berturut-turut dari yang 02:21.700 --> 02:28.690 pertama ke yang terakhir dengan menggunakan koneksi kita yang merupakan konvolusi dari koneksi LACMA dan koneksi linier di 02:29.020 --> 02:30.300 sini koneksi penuh. 02:30.490 --> 02:31.400 Jadi mari kita lakukan ini. 02:31.450 --> 02:33.620 Sekarang akan sama seperti sebelumnya. 02:33.750 --> 02:40.420 Kita akan mendapatkan lapisan pertama kita yang akan kita panggil X dan mendapatkan lapisan pertama ini kita perlu 02:40.510 --> 02:46.240 menyebarkan sinyal dari input ke lapisan pertama ini dan karena itu kita perlu menggunakan konvolusi pertama 02:46.240 --> 02:51.770 karena ini adalah konvolusi pertama yang menyebarkan sinyal dari gambar input ke lapisan pertama. 02:52.030 --> 02:58.450 Jadi yang akan kita lakukan sekarang adalah menyalin ini karena ini adalah lilitan pertama yang kami miliki di 02:58.450 --> 03:06.100 sini dan kami menerapkan lilitan pertama ini ke gambar input kami yang sekarang merupakan input yang tepat dan yang kami dapatkan 03:06.100 --> 03:09.560 yang menyebarkan sinyal dari gambar input ke lapisan pertama. 03:09.820 --> 03:16.390 Tapi sekarang ingat kita harus menggunakan fungsi aktivasi nonlinear untuk memecah linearitas agar dapat mempelajari hubungan 03:16.390 --> 03:23.170 non-linear di dalam gambar dan untuk melakukan ini kita akan menggunakan seperti yang kita katakan fungsi 03:23.500 --> 03:28.050 aktivasi yang akan lihat sekarang dan itu dengan sentuhan macet. 03:28.180 --> 03:30.110 Tapi sebelum itu mari kita dapatkan. 03:30.130 --> 03:36.430 Jadi untuk mendapatkannya rasanya benar-benar kita mengambil modul fungsional yang memiliki jalan pintas dan 03:36.490 --> 03:45.790 kemudian itu dan kemudian loop dan kemudian kita meletakkan semua ini dalam tanda kurung karena kita ingin mengaktifkan neuron secara nonlinier. 03:45.880 --> 03:51.160 Lapisan pertama ini yang kami dapatkan dengan menerapkan konvolusi pertama pada input. 03:51.160 --> 03:55.310 Jadi sekarang mari kita pergi ke obor PI Doug untuk memahami apa itu. 03:55.360 --> 03:56.110 Ini dia. 03:56.200 --> 04:00.320 Jadi Anda bisa mengaksesnya dengan obor yang macet atau garis miring. 04:00.340 --> 04:06.940 Dan kemudian HG dan L dan kemudian Anda harus menemukan aktivasi non-linear dan kemudian fungsi aktivasi nonlinier Anda 04:06.940 --> 04:08.080 akan temukan. 04:08.170 --> 04:14.040 Ya benar itu klasik ketika kita tahu itu hanya maksimal nol dan X Anda memiliki grafik dalam pikiran. 04:14.260 --> 04:17.160 Maka Anda memiliki enam yang ini. 04:17.160 --> 04:19.350 Jadi sedikit lebih canggih. 04:19.570 --> 04:21.190 Dan kemudian kita pergi, kita melihat. 04:21.550 --> 04:26.470 Dan seperti yang Anda lihat biru adalah redo plus elemen tambahan. 04:26.620 --> 04:29.280 Jadi rasanya lebih canggih kok. 04:29.340 --> 04:34.180 Dan itulah yang kami gunakan untuk mengaktifkan neuron dan lapisan yang berbeda secara nonlinier. 04:34.180 --> 04:39.420 Dan omong-omong fungsi aktivasi baru ini disebut eksponensial di unit mereka. 04:39.490 --> 04:40.250 Jadi begitulah. 04:40.270 --> 04:44.230 Kami menerapkan elu pada lapisan konvolusional pertama. 04:44.470 --> 04:46.300 Dan sekarang segalanya akan mudah. 04:46.370 --> 04:52.270 Kita akan melanjutkan ke propagasi berikutnya untuk sinyal yang dari lapisan konvolusional pertama ke 04:52.270 --> 04:59.440 lapisan konvolusional kedua yang akan kita sebut X karena pada dasarnya kita hanya menambahkan X sekarang x 04:59.470 --> 05:02.190 adalah konvolusional pertama di sana. 05:02.290 --> 05:07.990 Dan dengan menyebarkan sinyal dari lapisan konvolusional pertama ke X berikutnya akan menjadi lapisan 05:07.990 --> 05:09.190 convolutional berikutnya. 05:09.520 --> 05:15.130 Jadi untuk menyebarkan sinyal dari lapisan konvolusional pertama ke yang kedua kita tidak bisa 05:15.220 --> 05:20.490 begitu saja menyalin ini dan menempelkannya di sini dan mengganti satu per dua. 05:20.510 --> 05:27.340 Dan sekarang tentu saja konvolusi kedua tidak diterapkan pada gambar input tetapi pada X yang merupakan lapisan konvolusional 05:27.340 --> 05:29.530 pertama yang ada di sini. 05:29.830 --> 05:30.790 Baiklah, sempurna. 05:30.790 --> 05:32.800 Sekarang kita mendapatkan convolutional kedua kita di sana. 05:33.010 --> 05:38.230 Dan sekarang mari kita menyebarkan sinyal lagi dari konvolusional kedua ke yang ketiga. 05:38.230 --> 05:46.000 Dan karena itu kita dapat langsung menyalin ini dan menempelkannya di sini dan mengganti dua dengan tiga. 05:46.000 --> 05:46.840 Itu dia. 05:46.990 --> 05:47.900 Dan yang terakhir. 05:47.920 --> 05:53.770 Sekarang untuk menyebarkan sinyal dari konvolusional ketiga di sana ke yang keempat dan yang terakhir kita 05:53.770 --> 05:58.770 tinggal menyalin ini lagi di sini dan ganti tiga dengan datang empat. 05:58.840 --> 05:59.790 Itu dia. 06:00.220 --> 06:01.870 Jadi mari kita rekap. 06:01.870 --> 06:03.310 Kami mulai dengan masukan kami. 06:03.460 --> 06:07.170 Kami menerapkan konvolusi pertama untuk mendapatkan konvolusi pertama di sana. 06:07.360 --> 06:12.130 Kemudian kita menerapkan konvolusi kedua ke lapisan konvolusi pertama untuk mendapatkan lapisan konvolusional 06:12.130 --> 06:12.850 kedua. 06:12.970 --> 06:17.830 Kemudian kita menerapkan konvolusi ketiga ini ke konvolusional kedua di sana untuk mendapatkan lapisan konvolusional 06:17.830 --> 06:18.510 ketiga. 06:18.550 --> 06:24.650 Dan akhirnya kami menerapkan konvolusi keempat ke konvolusional ketiga di sana untuk mendapatkan konvolusi keempat di 06:24.650 --> 06:25.180 sana. 06:25.510 --> 06:29.900 Dan itulah bagaimana sinyal disebarkan ke seluruh mata. 06:30.130 --> 06:35.620 Jadi begitulah kita sekarang memiliki sinyal output setelah empat konvolusi dan sekarang kita tahu apa 06:35.620 --> 06:40.790 yang harus dilakukan kita perlu memperluas seluruh sinyal output ini dalam vektor satu dimensi. 06:40.900 --> 06:42.640 Itu langkah mendatar. 06:42.880 --> 06:45.440 Jadi kita akan memperbarui x lagi x. 06:45.490 --> 06:49.010 Sekarang akan menjadi vektor satu dimensi yang rata ini. 06:49.230 --> 06:57.070 Dan untuk melakukan ini itu sama kita perlu mengambil X yang sejauh ini adalah lapisan konvolusional keempat X tetapi kemudian 06:57.520 --> 07:05.660 kita menggunakan fungsi view dan pertama-tama kita menempatkan minus satu untuk mengatakan bahwa kita ingin satu vektor dimensi dan kemudian sebagai 07:05.660 --> 07:11.810 argumen kedua kita perlu untuk menempatkan jumlah elemen dalam vektor dan itu ingat tiga dua 07:11.880 --> 07:13.560 kali tiga kali tiga. 07:13.670 --> 07:20.270 Dan karena itu kita dapat menempatkan di sini 32 kali tiga kali tiga. 07:20.270 --> 07:20.720 Itu dia. 07:20.720 --> 07:24.570 Sekarang kita memiliki vektor rata dan langkah mendatarnya selesai. 07:24.680 --> 07:25.580 Sempurna. 07:25.580 --> 07:28.030 Sekarang mari kita urus bagian LCN. 07:28.280 --> 07:33.030 Jadi seperti yang Anda pahami, LSD mengambil input vektor yang diratakan. 07:33.200 --> 07:37.190 Ini vektor satu dimensi dari tiga dua kali tiga kali tiga elemen. 07:37.190 --> 07:40.310 Jadi sudah siap dan disiapkan untuk ICN. 07:40.320 --> 07:49.070 Tim sekarang siap untuk mengambil vektor Flaten ini sebagai input dan oleh karena itu kita dapat mengambil LACMA dan input 07:49.190 --> 07:52.010 kita sebagai argumen pertama X siap. 07:52.010 --> 07:55.960 FLATOW Dan vektor x ray di sini yang baru saja kita kembangkan. 07:56.270 --> 08:00.810 Tetapi juga dan di sanalah masalahnya muncul. 08:00.890 --> 08:04.540 Kita harus meletakkan H x dan z x. 08:04.550 --> 08:10.820 Dan kita dapat menggunakan ha-Setan lihat X di sini karena kita membuat pemisahan dari argumen input 08:11.060 --> 08:12.980 asli dari fungsi forward. 08:12.980 --> 08:20.460 Jadi LACMA X vektor output platens setelah empat konvolusi dan semua yang tersembunyi dalam catatan sel. 08:20.480 --> 08:21.390 Jadi begitulah. 08:21.440 --> 08:27.530 Maka kita tidak boleh lupa diri karena LSD adalah variabel atau fungsi sehingga variabel yang 08:27.530 --> 08:35.210 melekat pada objek itu sendiri dan CM dan ini benar-benar akan kembali ke output total dua output yang akan 08:35.210 --> 08:37.850 menjadi node output dan output suara. 08:37.880 --> 08:42.250 Jadi itu sebenarnya topikal dan karena itu kami dapat memperbarui H. 08:42.260 --> 08:48.890 X y dan z x node sel karena itulah output dari NCM ini di sini. 08:50.030 --> 08:50.500 Besar. 08:50.510 --> 08:52.750 Jadi kita hampir selesai sekarang. 08:52.790 --> 08:58.850 Sekarang setelah kita memiliki output ilustrasi, kita perlu mendapatkan output yang berguna karena sebenarnya 08:58.850 --> 09:05.570 hanya note yang tersembunyi yang berguna dan oleh karena itu kita akan mendapatkannya pada saat itu X 09:05.570 --> 09:12.490 lagi dan X sekarang akan sama dengan atax elemen pertama dari sampel output AS dan X sama dengan. 09:12.680 --> 09:14.270 Dan kita hampir selesai. 09:14.270 --> 09:18.590 Ingatlah bahwa kita memiliki dua otak, satu otak untuk aktor di satu ruangan untuk kritik. 09:18.860 --> 09:24.380 Dan oleh karena itu kita harus mengeluarkan sinyal untuk mengembalikan sinyal keluaran aktor dan sinyal 09:24.380 --> 09:25.480 keluaran kritik. 09:25.580 --> 09:30.730 Dan karena itu sekarang apa yang akan kita lakukan adalah mengembalikan kedua sinyal keluaran ini dan bagaimana kita dapat melakukannya. 09:30.830 --> 09:32.010 Ya itu sangat mudah. 09:32.030 --> 09:38.690 Kita hanya perlu mengambil koneksi linier kita tetapi secara terpisah itu adalah koneksi linier kritik 09:38.770 --> 09:40.740 dan koneksi penuh aktor. 09:41.180 --> 09:47.870 Dan kami menerapkan masing-masing koneksi ini ke output X yang merupakan output berguna dari LACMA dan hanya 09:47.870 --> 09:50.470 itu yang akan menjadi sinyal output. 09:50.480 --> 09:50.990 Jadi begitulah. 09:50.990 --> 09:51.840 Ayo lakukan. 09:51.900 --> 09:59.660 Pertama-tama kita mengambil diri atau objek kemudian kita mendapatkan koneksi linier dari kritik yang merupakan kritik dan colinear ini 09:59.690 --> 10:08.090 yang kita terapkan pada X sinyal keluaran CM dan kemudian sama kita mengambil diri lagi lalu itu dan kemudian kita 10:08.090 --> 10:15.290 mengambil koneksi linear aktor yang merupakan aktor dan kolinearnya adalah yang sama dengan yang kita terapkan 10:15.290 --> 10:16.200 pada x. 10:16.310 --> 10:19.580 Kita mulai jadi itulah hal utama yang kita butuhkan. 10:19.710 --> 10:26.040 Tapi kemudian kita juga akan mengembalikan bagian atas Ajax ke node dan melihat X untuk menjual node karena 10:26.040 --> 10:29.490 kita akan menggunakannya nanti dan tampilan retro dari LCN. 10:29.520 --> 10:30.430 Baiklah, sempurna. 10:30.480 --> 10:32.960 Jadi sekarang kita sudah selesai dengan otak. 10:32.970 --> 10:38.040 Atau haruskah saya mengatakan otaknya karena kami sebenarnya membuat dua otak satu untuk aktor dan satu kritikus. 10:38.250 --> 10:41.990 Jadi selamat untuk yang kedelapan dengan otak. 10:42.180 --> 10:47.940 Saya harap itu tidak terlalu sulit untuk digabungkan di CNN dan di Anniston tetapi setidaknya kabar baiknya adalah 10:47.940 --> 10:51.190 bahwa kita benar-benar bekerja dengan model terbaik dan paling kuat. 10:51.300 --> 10:53.010 Jadi begitulah. 10:53.010 --> 10:55.950 Kami sebenarnya sudah selesai dengan model keluarga pertama ini itu. 10:56.010 --> 10:56.810 Y. 10:56.880 --> 11:02.040 Jadi dalam dua toile berikutnya kami akan mengurus optimizer karena kami akan membuat 11:02.190 --> 11:03.300 optimizer terpisah. 11:03.300 --> 11:08.850 Kami tidak akan memotong setiap baris kode karena banyak yang berasal dari makalah penelitian dan 11:08.850 --> 11:10.520 ini sebenarnya cukup spesifik. 11:10.530 --> 11:16.470 Dan jika kita masuk ke detail mendalam tentang apa yang terjadi dengan optimizer ini, ini mungkin 11:16.470 --> 11:22.410 agak terlalu berlebihan untuk apa yang akan terjadi selanjutnya karena kita masih memiliki fungsi kereta untuk 11:22.410 --> 11:26.890 dibuat yang akan menjadi fungsi besar dan yang berisi algoritma Lihat. 11:27.030 --> 11:29.240 Jadi percayalah, Anda ingin menyimpan energi untuk itu. 11:29.310 --> 11:32.300 Dan karena itu kita tidak akan menghabiskan terlalu banyak waktu untuk ini. 11:32.490 --> 11:37.830 Tapi saya masih akan memperluas kode dan Anda akan memahami seluruh ide di balik optimalisasi ini. 11:38.190 --> 11:44.740 Jadi selamat lagi untuk membuat kelas kegiatan ini dan sampai jumpa di Statoil 290 optimizer berikutnya. 11:44.760 --> 11:46.140 Sampai kemudian nikmati aku.